Oracle數據庫全文檢索性能研究

龔建華

（國防信息學院，武漢　430010）

Oracle數據庫全文檢索性能研究

龔建華

（國防信息學院，武漢430010）

隨著全文檢索應用場景越來越多，更加需要了解數據庫全文檢索的性能。介紹Oracle數據庫全文檢索的設置方法，然后加載測試數據，對全文檢索和模糊查詢的性能進行比對測試，最后對全文檢索的查全能力和查詢速度進行詳細分析。

數據庫；全文檢索；模糊查詢

0　引言

隨著信息社會的不斷發展，獲取信息比過去任何時候都變得更加容易，人們在碰到疑難問題時會主動查詢信息，查詢信息的頻率比過去高出了很多倍。生產生活中涌現的大量信息通常以文本形式呈現，很多信息還沒有來得及結構化，或者這些根本沒有必要進行結構化，導致目前從文本中查找信息是信息查詢的主流形式。由于文本難以量化比對大小，因此與數量、日期類型的數據查詢相比，文本的比對更復雜、更費時。

數據庫全文檢索是在數據表文本字段上建立全文索引，文本查詢完全在索引上進行，毋庸置疑，建立全文索引可以提高文本數據查詢的效率，但是查詢效率到底能夠提高多少，查詢效率與哪些因素有關，這些都是需要深入研究的問題。本文以Oracle10g企業版10.2.0.1.0版為研究對象，對比研究Oracle數據庫全文檢索性能。

1　全文檢索設置

1.1解鎖CTXSYS用戶

Oracle數據庫建立全文檢索在的工具包在CTXSYS模式中，安裝數據庫時，默認情況下CTXSYS用戶是鎖定的，在使用CTXSYS工具包之前，必須解鎖CTXSYS用戶，具體操作如下：

1.2CTX_DDL包授權

CTX_DDL包是設置全文索引的工具，因此在創建全文索引之前需要獲得該包的執行權限，例如把該包的執行權限授予SCOTT用戶，具體操作如下：

1.3創建中文分詞名稱

在Oracle數據庫中，針對不同國家的語言提供了不同的分詞器，常用的中文分詞器主要有CHINESE_VGRAM_LEXER和 CHINESE_LEXER，其中CHINESE_LEXER是新的漢語分詞器，支持中文和U-nicode字符集，該分詞器最大的改進是能夠認識大部分常用漢語詞匯，因此能夠更有效地分離詞匯。這里選用CHINESE_LEXER分詞器，使用該分詞器之前，需要建一個分詞器實體名，操作如下：

其中，CHINESE_LEXER是分詞器，MY_CHI-NESE_LEXER是分詞器實體名。

1.4創建全文索引

（1）創建數據表

在SCOTT模式下，創建一張用于存儲大量文本的數據表，操作如下：

其中，TXT字段是clob類型，可以存儲大量文本，單條記錄可以高達4G容量，NAME用于文本來源的文件名稱，ID只是一個編號。

（2）創建全文索引

Oracle數據的全文索引有 CONTEXT、CTXCAT、CTXRULE、CTXXPATH等四種類型，對DT表的TXT字段創建CONTEXT類型全文索引，操作如下：

create index IDX_DTTXT on SCOTT.DT（TXT）indextype is ctxsys.context parameters（'LEXER MY_CHINESE_LEXER'）；

執行這條命令即可創建全文索引，其中ctxsys.context是全文索引類型，'LEXER MY_CHINESE_LEXER'表示使用名稱為MY_CHINESE_LEXER的分詞器。

2　全文檢索測試

由于全文檢索是在全文索引的基礎上做檢索，從理論上講應該比模糊查詢直接針對文本做查詢要快一些，下面通過對比分析研究全文檢索的檢索速度。

2.1給DT表加載測試數據

為了能夠重現測試結論，這里選用中文版HTML格式JAVADOC系列文檔作為測試數據，該JAVADOC文檔集共有8964篇、約198M字節，是Java語言的編程指南，每篇文檔包含中英文字符，可作為測試數據。

向Oracle數據庫加載CLOB字段內容時，通常不能直接插入，而應該采用流的方式加入，所以這些測試數據需要編寫程序加載到DT表中，具體操作略，數據加載完畢后，DT表所占表空間大小約550M字節。

2.2維護全文索引

每次更新DT表TXT字段的數據后，應當及時進行全文索引維護，即同步和優化，使全文索引與TXT字段的內容吻合，具體操作如下：

2.3全文檢索與模糊查詢對比測試

（1）查詢工具與查詢命令

使用PL/SQL Developer 9.0中文版為查詢工具，使用下列語句來對比測試結果

模糊查詢的語句為：

（2）查詢方法

為提高對比分析的精確性，每次查詢盡可能采用一致的環境，使用相同的查詢工具，在相同的查詢窗口，每次查詢前等待CPU空閑。PL/SQL Developer 9.0設置為一次顯示全部查詢結果，操作系統中不額外運行其他應用程序，避免對系統資源的干擾。選用了“合成”、“網絡”、“鏈接”等檢索詞。

（3）查詢結果

全文檢索和模糊查詢對比測試的結果如表1所示。

表1　全文檢索與模糊查詢對比測試結果

表中：

記錄數占比=查詢結果記錄數/DT 表總記錄數（式1）

記錄數互比=全文檢索的結果記錄數/模糊查詢的結果記錄數（式2）

查詢速度互比=模糊查詢的耗時/全文檢索的耗時（式3）

耗時是查詢過程所使用的時間，以秒為單位，來自PL/SQL Developer 9.0 給出的結果。

3　全文檢索性能分析

（1）對測試數據本身的分析

測試選用JAVADOC文檔集屬于一個單一的專業領域，共有8964篇，占用550M左右表空間，有一定的規模，數據量對全文檢索性能分析有意義。

測試中選擇了7個檢索詞，這7個檢索詞的查詢結果的記錄數占比從0.007變化到0.975，覆蓋范圍比較廣，檢索詞選取對全文檢索分析有意義。

（2）查全能力分析

圖1　全文檢索記錄數與模糊查詢記錄數

圖2　全文檢索記錄數與模糊查詢記錄數互比

模糊是查詢能夠把滿足條件的所有數據都查詢出來，而全文檢索由于可能存在分詞不正確的原因，可能有少數滿足條件的記錄查詢不到。從圖1和圖2可以看出，對相同表和相同的檢索詞，全文檢索和模糊檢索的結果基本相差很小，記錄數互比最高到0.9998856，筆者推斷，記錄數互比很高的原因是我們使用專業文獻作為測試數據集，并且使用專業詞匯作為檢索詞。基本可以認為在專業領域全文檢索可以查全所有結果。

（3）查詢速度分析

圖3　模糊查詢耗時

從圖3中可以看出，無論查詢結果記錄占比為多少，模糊查詢的時間基本上是一個常數，在16秒左右。反過來說明，模糊查詢的耗時與查詢結果的數量沒有關系。這個測試結論印證了模糊查詢機制，模糊查詢要將檢索詞與所有記錄的TXT字段內容進行比對，對同一個表每個檢索詞比對記錄數是相同的，在一篇文檔內比對的方法也是相同的，所以每個檢索詞的查詢耗時基本相同。

圖4　全文檢索耗時

從圖4中可以看出，全文檢索的耗時隨著檢索結果的增加線性增加，這與全文索引的存儲機制有密切關系。如果有多篇文檔包含同一個索引詞，那么就會對這個索引詞建立起這些文檔的編號鏈表，包含同一個索引詞的文檔越多，鏈表就越長。全文檢索就是找到索引詞的鏈表，并解析鏈表把文檔編號分析出來。因此當索引詞的記錄數越多時，鏈表就越長，耗時就越多，基本是一個線性遞增的關系。

從圖5中可以看出，查詢結果記錄數占比小于0.1時，全文檢索與模糊查詢的速度互比有幾十倍甚至上百倍，全文檢索的優勢非常明顯。當查詢結果記錄數占比大于0.4時，全文檢索與模糊查詢的速度互比小于5，最小只有2.426，全文檢索的優勢減弱。綜合圖3和圖4可以看出，模糊查詢的耗時與查詢結果多少無關，基本是一個常數，而全文檢索查詢的結果記錄越多耗時越長，這是查詢結果越多時全文檢索優勢迅速下降的根本原因。雖然全文檢索的優勢已經不是十分明顯，但是全文檢索兩倍以上的速度優勢仍然有應用價值。

圖5　全文檢索與模糊查詢的速度互比

［1］蒙輝，陳燕．Oracle Text技術在復雜結構數據庫中的應用［J］.計算機技術與發展，2007，17（4）：38-44.

［2］葛振國，李建，何林糠等.基于Lucene的Oracle數據庫全文檢索.信息技術，2010（3）：156-158.

［3］楊寶峰.數據庫全文檢索技術.黑龍江科學信息，2007（5）45-45.

Research on the Performance of Oracle Full Text Retrieval

GONG Jian-hua
（PLA Academy of National Defense Information，Wuhan 430010）

With more and more applications in full text retrieval，understanding of the performance of database full-text retrieval is needed.Introduces the method of setting Oracle text，and then the loads test data，tests the performance of full-text retrieval and fuzzy query，analyses the search ability and speed of the full-text retrieval in details.

Database；Full Text Retrieval；Fuzzy Query

1007-1423（2016）27-0036-04DOI：10.3969/j.issn.1007-1423.2016.27.010

龔建華（1973-），男，湖北麻城人，副教授，碩士研究生，研究方向為信息系統設計與數據工程

2016-06-21

2016-09-20